CN111080477A - 一种家庭电力负荷预测方法及*** - Google Patents
一种家庭电力负荷预测方法及*** Download PDFInfo
- Publication number
- CN111080477A CN111080477A CN201911243132.6A CN201911243132A CN111080477A CN 111080477 A CN111080477 A CN 111080477A CN 201911243132 A CN201911243132 A CN 201911243132A CN 111080477 A CN111080477 A CN 111080477A
- Authority
- CN
- China
- Prior art keywords
- power load
- neural network
- network model
- convolutional neural
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 61
- 238000012549 training Methods 0.000 claims abstract description 51
- 230000003044 adaptive effect Effects 0.000 claims abstract description 33
- 238000012360 testing method Methods 0.000 claims abstract description 29
- 238000012795 verification Methods 0.000 claims abstract description 26
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000013508 migration Methods 0.000 claims description 6
- 230000005012 migration Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000003062 neural network model Methods 0.000 claims description 2
- 238000002203 pretreatment Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 5
- 238000010200 validation analysis Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012731 temporal analysis Methods 0.000 description 2
- 238000000700 time series analysis Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种家庭电力负荷预测方法及***,通过获取家庭电力负荷基础数据,并进行预处理,构成数据集,构造自适应卷积神经网络模型,将所述数据集划分为训练集、验证集和测试集,通过训练集反复训练以及验证集和测试集的微调,得到最终确立的自适应卷积神经网络模型,通过在最终确立的自适应卷积神经网络模型中输入家庭负荷基础数据,预测任意时刻未来单位时间内的家庭电力负荷,可以有效提升家庭负荷预测的精度。
Description
技术领域
本发明涉及领域,特别是指一种家庭电力负荷预测方法及***。
背景技术
随着智能电表的普及,大量细粒度的用电数据被收集起来,这使得家庭用户级的负荷预测变成可能。与国家、区域等总负荷相比,家庭用户负荷预测具有不平稳性和随机性。针对这一问题,在过去一些年中已经提出了各种新的电力负荷预测技术。由于用户行为的不确定性以及外部影响因素的非线性,家庭级负荷预测已经成为电力市场实体面临的最具挑战的任务之一;
研究人员提出了不同的短期负荷预测方法,使用历史负荷数据和天气数据作为输入对整体***负荷进行预测,通常采用时间序列分析方法进行预测,具体为获取时间序列动态数据,应用数理统计方法加以处理,以预测未来家庭电力负荷的发展;
然而由于家庭级负荷波动较大,时间序列分析方法的未来家庭电力负荷往往会产生较大的偏差,准确度较低。
发明内容
有鉴于此,本发明的目的在于提出一种家庭电力负荷预测方法及***。
基于上述目的本发明提供的一种家庭电力负荷预测方法,包括以下步骤:
获取家庭电力负荷基础数据;
将家庭电力负荷基础数据划分为训练集、验证集和测试集;
在预设的自适应卷积神经网络模型中增加核偏移参数;
将训练集输入增加核偏移参数的自适应卷积神经网络模型,对增加核偏移参数的自适应卷积神经网络模型进行反复训练直到收敛;
利用验证集和训练集对训练后的自适应卷积神经网络模型进行微调;
确定目标时刻,在获取的家庭电力负荷基础数据中筛选出所述初始时刻之前的基础数据,作为历史数据;
将所述历史数据输入微调后的自适应卷积神经网络模型,预测目标时刻未来单位时间内的家庭电力负荷。
优选地,家庭电力负荷基础数据包括某地区单个家庭负荷数据、该地区每日最高气温和每日最低气温,以及节假日数据。
优选地,将家庭电力负荷基础数据划分为训练集、验证集和测试集之前,还包括:
对所述家庭电力负荷基础数据进行预处理;
所述预处理包括但不限于,
对家庭电力负荷基础数据进行归一化处理;
对家庭电力负荷基础数据中的缺失值进行均值插补处理;
清除冗余数据;
将家庭电力负荷基础数据依时间先后顺序形成输入向量序列。
优选地,预设的自适应卷积神经网络模型为:
其中,K为卷积核,y为输出序列,d0为输出序列上的位置,w为权重,x为输入向量序列,dn为卷积核上的每一个位置。
优选地,增加核偏移参数后的卷积神经网络模型为:
其中为卷积核,Δd为卷积核的核偏移,y为输出序列,d0为输出序列上的位置,w为权重,x为输入向量序列,dn为卷积核上的每一个位置。
优选地,将所述历史数据输入微调后的自适应卷积神经网络模型,预测目标时刻未来单位时间内的家庭电力负荷之前,还包括:
采用分位数损失函数对微调后的自适应卷积神经网络模型进行修正。
优选地,分位数损失函数为:
优选地,将家庭电力负荷基础数据划分为训练集、验证集和测试集,包括:
按照0.8:0.1:0.1的划分比例将家庭电力负荷基础数据划分为训练集、验证集和测试集。
一种家庭电力负荷预测***,包括:
数据源模块,用于获取家庭电力负荷基础数据;
预处理模块,用于对所述家庭电力负荷基础数据进行预处理,构成数据集;
数据划分模块,用于将所述数据集划分为训练集、验证集和测试集;
模型构建模块,用于构造自适应卷积神经网络模型;
模型训练模块,用于将训练集输入所述自适应卷积神经网络模型,对所述自适应卷积神经网络模型进行反复训练直到收敛;
模型修正模块,利用验证集和测试集对训练后的自适应卷积神经网络模型进行微调,得到最终确立的自适应卷积神经网络模型;
预测模块,用于在最终确立的自适应卷积神经网络模型中输入任意时刻之前的家庭负荷基础数据,预测该时刻未来单位时间内的家庭电力负荷。
从上面所述可以看出,本发明提供的家庭电力负荷预测方法及***,通过获取家庭电力负荷基础数据,并进行预处理,构成数据集,构造自适应卷积神经网络模型,将所述数据集划分为训练集、验证集和测试集,通过训练集反复训练以及验证集和测试集的微调,得到最终确立的自适应卷积神经网络模型,通过在最终确立的自适应卷积神经网络模型中输入家庭负荷基础数据,预测任意时刻未来单位时间内的家庭电力负荷,可以有效提升家庭负荷预测的精度。
附图说明
图1为本发明实施例的家庭电力负荷预测方法流程示意图;
图2为本发明实施例的自适应卷积神经网络示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明进一步详细说明。
需要说明的是,本发明实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称非相同的实体或者非相同的参量,可见“第一”“第二”仅为了表述的方便,不应理解为对本发明实施例的限定,后续实施例对此不再一一说明。
一种家庭电力负荷预测方法,如图1所示,包括以下步骤:
S101获取家庭电力负荷基础数据;
举例来说,家庭电力负荷基础数据是指某地区的单个家庭电力负荷相关数据。
S102将家庭电力负荷基础数据划分为训练集、验证集和测试集;
S103在预设的自适应卷积神经网络模型中增加核偏移参数;
举例来说,增加核偏移参数是指为自适应卷积神经网络的卷积核增加核偏移参数。
S104将训练集输入增加核偏移参数的自适应卷积神经网络模型,对增加核偏移参数的自适应卷积神经网络模型进行反复训练直到收敛;
举例来说,对自适应卷积神经网络模型进行反复训练的过程即为对其进行多次迭代。
S105利用验证集和测试集对训练后的自适应卷积神经网络模型进行微调;
举例来说,进行微调包括通过对比训练集和验证集的精度和误差,调整模型参数,通过多次训练,选择验证集表现最好的模型,使用测试集对模型进行测试,若训练结果与测试集差距较大,则将最新数据加入训练集再次进行训练。
S106确定目标时刻,在获取的家庭电力负荷基础数据中筛选出所述目标时刻之前的基础数据,作为历史数据;
举例来说,目标时刻可以是目标预测时间段的初始时刻。
S107将所述历史数据输入微调后的自适应卷积神经网络模型,预测该时刻未来单位时间内的家庭电力负荷,自适应卷积神经网络模型的结构如图2所示。
本发明通过获取家庭电力负荷基础数据,将其划分为训练集、验证集和测试集,通过训练集对自适应卷积神经网络模型进行反复训练,验证集和测试集对自适应卷积神经网络模型进行微调,得到更优化的自适应卷积神经网络模型,通过在自适应卷积神经网络模型中增加核偏移参数,能够增大自适应卷积神经网络模型的感受野,在反复训练中学习到更为全面的特征,通过在微调后的自适应卷积神经网络输入历史数据,可以得到更为准确的目标时刻未来单位时间内的家庭电力负荷,有效提高家庭电力负荷的预测精度。
作为一种实施方式,家庭电力负荷基础数据包括某地区单个家庭负荷数据、该地区每日最高气温和每日最低气温,以及节假日数据。
发明人在实践中发现,天气情况和节假日情况均会对家庭电力负荷造成一定的影响,基础数据中包括上述数据能够提升预测准确度。
作为一种实施方式,将家庭电力负荷基础数据划分为训练集、验证集和测试集之前,还包括:
对家庭电力负荷基础数据进行预处理,预处理包括但不限于:对家庭电力负荷基础数据进行归一化处理;对家庭电力负荷基础数据中的缺失值进行均值插补处理;清除冗余数据;将家庭电力负荷基础数据依时间先后顺序形成输入向量序列。
由于获取的基础数据可能是不完整、不一致或存在重复的,而低质量的数据将导致低质量的训练结果,因此对家庭电力符合基础数据进行预处理可以提升自适应卷积神经网络模型的训练和微调效果。
作为一种实施方式,预设的自适应卷积神经网络模型为:
其中,K为卷积核,y为输出序列,d0为输出序列上的位置,w为权重,x为输入向量序列,dn为卷积核上的每一个位置。
作为一种实施方式,增加核偏移参数后的卷积神经网络模型为
其中为卷积核,Δd为卷积核的核偏移,y为输出序列,d0为输出序列上的位置,w为权重,x为输入向量序列,dn为卷积核上的每一个位置。
增加核偏移参数后的卷积核相当于均拥有了可伸缩的变化,从而提升了感受野的范围。
作为一种实施方式,将历史数据输入微调后的自适应卷积神经网络模型,预测目标时刻未来单位时间内的家庭电力负荷之前,还包括:
采用分位数损失函数对微调后的自适应卷积神经网络模型进行修正。
作为另一种实施方式,也可采用均方误差函数对模型进行修正,举例来说,均方误差函数为
其中n代表序列的长度,t代表任意时刻,truet代表t时刻的真实负荷,predt代表t时刻的预测值,但均方误差只能提供未来负荷的预测值,为了提供更多关于未来不确定性的信息,将均方误差替换为分位数损失。
作为一种实施方式,分位数损失函数为
作为一种实施方式,将家庭电力负荷基础数据划分为训练集、验证集和测试集,包括:
按照0.8:0.1:0.1的划分比例将家庭电力负荷基础数据划分为训练集、验证集和测试集。
经实践,该划分比例能够提供更为准确的自适应卷积神经网络模型。
举例来说,获取的家庭电力负荷基础数据为连续300个小时的单个家庭电力负荷基础数据,将其按时间先后顺序选取前80%作为训练集,接下来10%作为验证集,最后10%作为测试集,则将前80%的基础数据输入为长度为240的训练集向量,进行预测时,可确定目标时刻为第241小时开始时,则预测目标为该300小时中第241小时的家庭电力负荷。
本发明还提供一种家庭电力负荷预测***,包括:
数据源模块,用于获取家庭电力负荷基础数据;
数据划分模块,用于将所述家庭电力负荷基础数据划分为训练集、验证集和测试集;
核偏移模块,用于在预设的自适应卷积神经网络模型中增加核偏移参数;
模型训练模块,用于将训练集输入增加核偏移参数的自适应卷积神经网络模型,对所述增加核偏移参数的自适应卷积神经网络模型进行反复训练直到收敛;
模型修正模块,用于利用验证集和测试集对训练后的自适应卷积神经网络模型进行微调;
数据筛选模块,用于确定目标时刻,在获取的家庭电力负荷基础数据中筛选出所述初始时刻之前的基础数据,作为历史数据;
预测模块,用于将所述历史数据输入微调后的自适应卷积神经网络模型,预测目标时刻未来单位时间内的家庭电力负荷。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本公开的范围(包括权利要求)被限于这些例子;在本发明的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本发明的不同方面的许多其它变化,为了简明它们没有在细节中提供。
另外,为简化说明和讨论,并且为了不会使本发明难以理解,在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外,可以以框图的形式示出装置,以便避免使本发明难以理解,并且这也考虑了以下事实,即关于这些框图装置的实施方式的细节是高度取决于将要实施本发明的平台的(即,这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如,电路)以描述本发明的示例性实施例的情况下,对本领域技术人员来说显而易见的是,可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本发明。因此,这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本发明的具体实施例对本发明进行了描述,但是根据前面的描述,这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如,其它存储器架构(例如,动态RAM(DRAM))可以使用所讨论的实施例。
本发明的实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本发明的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种家庭电力负荷预测方法,其特征在于,所述方法包括:
获取家庭电力负荷基础数据;
将家庭电力负荷基础数据划分为训练集、验证集和测试集;
在预设的自适应卷积神经网络模型中增加核偏移参数;
将训练集输入增加核偏移参数的自适应卷积神经网络模型,对增加核偏移参数的自适应卷积神经网络模型进行反复训练直到收敛;
利用验证集和训练集对训练后的自适应卷积神经网络模型进行微调;
确定目标时刻,在获取的家庭电力负荷基础数据中筛选出所述初始时刻之前的基础数据,作为历史数据;
将所述历史数据输入微调后的自适应卷积神经网络模型,预测目标时刻未来单位时间内的家庭电力负荷。
2.根据权利要求1所述的家庭电力负荷预测方法,其特征在于:所述家庭电力负荷基础数据包括某地区单个家庭负荷数据、该地区每日最高气温和每日最低气温,以及节假日数据。
3.根据权利要求1所述的家庭电力负荷预测方法,其特征在于,所述将家庭电力负荷基础数据划分为训练集、验证集和测试集之前,还包括:
对所述家庭电力负荷基础数据进行预处理;
所述预处理包括但不限于,
对家庭电力负荷基础数据进行归一化处理;
对家庭电力负荷基础数据中的缺失值进行均值插补处理;
清除冗余数据;
将家庭电力负荷基础数据依时间先后顺序形成输入向量序列。
6.根据权利要求1所述的家庭电力负荷预测方法,其特征在于,将所述历史数据输入微调后的自适应卷积神经网络模型,预测目标时刻未来单位时间内的家庭电力负荷之前,还包括:
采用分位数损失函数对微调后的自适应卷积神经网络模型进行修正。
8.根据权利要求1所述的家庭电力负荷预测方法,其特征在于,所述将家庭电力负荷基础数据划分为训练集、验证集和测试集,包括:
按照0.8:0.1:0.1的划分比例将家庭电力负荷基础数据划分为训练集、验证集和测试集。
9.一种家庭电力负荷预测***,其特征在于,包括:
数据源模块,用于获取家庭电力负荷基础数据;
预处理模块,用于对所述家庭电力负荷基础数据进行预处理,构成数据集;
数据划分模块,用于将所述数据集划分为训练集、验证集和测试集;
模型构建模块,用于构造自适应卷积神经网络模型;
模型训练模块,用于将训练集输入所述自适应卷积神经网络模型,对所述自适应卷积神经网络模型进行反复训练直到收敛;
模型修正模块,利用验证集和测试集对训练后的自适应卷积神经网络模型进行微调,得到最终确立的自适应卷积神经网络模型;
预测模块,用于在最终确立的自适应卷积神经网络模型中输入任意时刻之前的家庭负荷基础数据,预测该时刻未来单位时间内的家庭电力负荷。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911243132.6A CN111080477A (zh) | 2019-12-06 | 2019-12-06 | 一种家庭电力负荷预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911243132.6A CN111080477A (zh) | 2019-12-06 | 2019-12-06 | 一种家庭电力负荷预测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111080477A true CN111080477A (zh) | 2020-04-28 |
Family
ID=70313161
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911243132.6A Pending CN111080477A (zh) | 2019-12-06 | 2019-12-06 | 一种家庭电力负荷预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111080477A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111509810A (zh) * | 2020-05-18 | 2020-08-07 | 广东电网有限责任公司东莞供电局 | 一种锂电池充电状态检测方法、装置及存储介质 |
CN112257928A (zh) * | 2020-10-22 | 2021-01-22 | 国网山东省电力公司潍坊供电公司 | 一种基于cnn和分位数回归的短期电力负荷概率预测方法 |
CN112508734A (zh) * | 2020-11-27 | 2021-03-16 | 国网浙江省电力有限公司杭州供电公司 | 基于卷积神经网络的电力企业发电量的预测方法及装置 |
CN114742258A (zh) * | 2022-02-23 | 2022-07-12 | 吉林化工学院 | 可迁移的居民家庭用电负荷场景预测方法 |
CN115640896A (zh) * | 2022-10-25 | 2023-01-24 | 湖南工商大学 | 多用户场景下的家庭用户电力负荷预测方法及相关设备 |
CN116805157A (zh) * | 2023-08-25 | 2023-09-26 | 中国人民解放军国防科技大学 | 无人集群自主动态评估方法及装置 |
CN117407693A (zh) * | 2023-10-20 | 2024-01-16 | 湖北大学 | 基于部分域自适应和分位数回归的非侵入式负荷检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104636822A (zh) * | 2015-01-21 | 2015-05-20 | 广州市香港科大***研究院 | 一种基于elman神经网络的居民负荷预测方法 |
CN108416695A (zh) * | 2018-02-24 | 2018-08-17 | 合肥工业大学 | 基于深度学习的电力负荷概率密度预测方法和***、介质 |
CN108846517A (zh) * | 2018-06-12 | 2018-11-20 | 清华大学 | 一种分位数概率性短期电力负荷预测集成方法 |
CN109543901A (zh) * | 2018-11-20 | 2019-03-29 | 国网辽宁省电力有限公司经济技术研究院 | 基于信息融合卷积神经网络模型的短期电力负荷预测方法 |
CN110197255A (zh) * | 2019-04-29 | 2019-09-03 | 杰创智能科技股份有限公司 | 一种基于深度学习的可变形卷积网络 |
-
2019
- 2019-12-06 CN CN201911243132.6A patent/CN111080477A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104636822A (zh) * | 2015-01-21 | 2015-05-20 | 广州市香港科大***研究院 | 一种基于elman神经网络的居民负荷预测方法 |
CN108416695A (zh) * | 2018-02-24 | 2018-08-17 | 合肥工业大学 | 基于深度学习的电力负荷概率密度预测方法和***、介质 |
CN108846517A (zh) * | 2018-06-12 | 2018-11-20 | 清华大学 | 一种分位数概率性短期电力负荷预测集成方法 |
CN109543901A (zh) * | 2018-11-20 | 2019-03-29 | 国网辽宁省电力有限公司经济技术研究院 | 基于信息融合卷积神经网络模型的短期电力负荷预测方法 |
CN110197255A (zh) * | 2019-04-29 | 2019-09-03 | 杰创智能科技股份有限公司 | 一种基于深度学习的可变形卷积网络 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111509810A (zh) * | 2020-05-18 | 2020-08-07 | 广东电网有限责任公司东莞供电局 | 一种锂电池充电状态检测方法、装置及存储介质 |
CN112257928A (zh) * | 2020-10-22 | 2021-01-22 | 国网山东省电力公司潍坊供电公司 | 一种基于cnn和分位数回归的短期电力负荷概率预测方法 |
CN112508734A (zh) * | 2020-11-27 | 2021-03-16 | 国网浙江省电力有限公司杭州供电公司 | 基于卷积神经网络的电力企业发电量的预测方法及装置 |
CN112508734B (zh) * | 2020-11-27 | 2024-04-26 | 国网浙江省电力有限公司杭州供电公司 | 基于卷积神经网络的电力企业发电量的预测方法及装置 |
CN114742258A (zh) * | 2022-02-23 | 2022-07-12 | 吉林化工学院 | 可迁移的居民家庭用电负荷场景预测方法 |
CN114742258B (zh) * | 2022-02-23 | 2022-11-29 | 吉林化工学院 | 可迁移的居民家庭用电负荷场景预测方法 |
CN115640896A (zh) * | 2022-10-25 | 2023-01-24 | 湖南工商大学 | 多用户场景下的家庭用户电力负荷预测方法及相关设备 |
CN115640896B (zh) * | 2022-10-25 | 2024-04-30 | 湖南工商大学 | 多用户场景下的家庭用户电力负荷预测方法及相关设备 |
CN116805157A (zh) * | 2023-08-25 | 2023-09-26 | 中国人民解放军国防科技大学 | 无人集群自主动态评估方法及装置 |
CN116805157B (zh) * | 2023-08-25 | 2023-11-17 | 中国人民解放军国防科技大学 | 无人集群自主动态评估方法及装置 |
CN117407693A (zh) * | 2023-10-20 | 2024-01-16 | 湖北大学 | 基于部分域自适应和分位数回归的非侵入式负荷检测方法 |
CN117407693B (zh) * | 2023-10-20 | 2024-05-24 | 湖北大学 | 基于部分域自适应和分位数回归的非侵入式负荷检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111080477A (zh) | 一种家庭电力负荷预测方法及*** | |
CN109242135B (zh) | 一种模型运营方法、装置、及业务服务器 | |
KR102468316B1 (ko) | 과거 데이터에 기초한 시계열 예측 방법 및 장치 | |
CN109342989B (zh) | 一种电能表的误差分析方法及装置 | |
CN104951846A (zh) | 微电网短期功率和负荷预测***及误差分类动态修正方法 | |
CN111461445B (zh) | 短期风速预测方法、装置、计算机设备及存储介质 | |
CN113191564A (zh) | 一种光伏功率预测方法、装置及服务器 | |
CN112614010A (zh) | 负荷预测方法及装置、存储介质及电子装置 | |
CN114498619A (zh) | 一种风电功率预测方法及装置 | |
CN111222687A (zh) | 基于同源异构神经网络的电力负荷概率预测方法及装置 | |
WO2013167908A1 (en) | Method of operating a server apparatus for delivering website content, server apparatus and device in communication with server apparatus | |
CN117175664A (zh) | 基于使用场景的储能充电设备输出功率自适应调节*** | |
CN109816165A (zh) | 风电超短期功率预测方法及*** | |
CN113205230A (zh) | 基于模型集合的数据预测方法、装置、设备及存储介质 | |
CN111323847A (zh) | 用于为模拟集成算法确定权重比的方法和设备 | |
CN112508734A (zh) | 基于卷积神经网络的电力企业发电量的预测方法及装置 | |
CN112557905A (zh) | 电池组及其数据处理方法、计算机设备、介质和车辆 | |
CN114238856A (zh) | 风光资源未来预测误差求解方法、装置、设备及存储介质 | |
CN113627755A (zh) | 智能终端工厂的测试方法、装置、设备及存储介质 | |
CN117293817B (zh) | 发电参数预测方法及装置 | |
JP2003121490A (ja) | 標本抽出方法、半導体特性算出装置およびその制御方法 | |
CN111768021A (zh) | 订单价格调整方法、装置、服务器及存储介质 | |
CN115459299B (zh) | 低压配电无功调节方法、装置、计算机设备和存储介质 | |
CN114118855B (zh) | 一种基于cnn的台区线损率标杆值计算方法 | |
CN117424290B (zh) | 新能源纳入比例计算方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200428 |